中科大与科大讯飞联合团队夺得CHiME-6冠军 (Track1:Ranking A)

中科大与科大讯飞联合团队夺得CHiME-6冠军 (Track1:Ranking B)

CHiME(Computational Hearing in Multisource Environments)由法国计算机科学与自动化研究所、英国谢菲尔德大学、美国三菱电子研究实验室等知名研究机构所于2011年发起。今年是第六届，比赛的目的是希望学术界和工业界针对高噪声、高混响、及自由讨论场景提出全新的语音识别解决方案，从而进一步提升语音识别的实用性和普适性。

比赛极具挑战，参赛团队也大牛如云。历届CHiME比赛的参赛队伍包括英国剑桥大学、美国卡内基梅隆大学、约翰霍普金斯大学、日本NTT、日立中央研究院、德国RWTH亚琛大学、帕德博恩大学、捷克布尔诺理工大学等国际一流高校和研究机构，以及清华大学、中国科学院大学、中科院声学所、中科院自动化所、西北工业大学等国内顶尖院校和研究所。

而在CHiME-6中，美国的约翰霍普金斯大学、俄罗斯STC公司、德国帕德博恩大学、捷克布尔诺理工大学等知名学术机构及企业均有参赛。

本次CHiME-6和CHiME-5比赛使用的语音素材相同，即在多个不同的生活场景——包括多人在厨房边做饭边聊天、在起居室边用餐边聊天、在客厅聊天，聊天的声音中包括远场、混响、噪音、语音叠加等各种复杂因素，因而技术难度极大。

CHiME-6音频样本采集于厨房、起居室、客厅等场景的多人对话

2018年的CHiME-5比赛，语音国家工程实验室和科大讯飞联合团队（USTC-iFLYTEK）斩获了四个比赛项目的全部冠军。然而，当年最优的参赛系统语音识别错误率仍高达46.1%，距离实用仍有较大差距，所以，今年中科大与科大讯飞联合团队重点聚焦于Track1，希望进一步探索复杂场景语音识别实用化的可能性。通过团队的技术攻关，将该任务上的语音识别错误率从原来的46.1%降至30.5%，大幅刷新该项赛事历史最好成绩，进一步拉大领先优势，最终在Track1的两个子任务（Track1-Ranking A，需使用官方语言模型；Track1-Ranking B，不限制语言模型）上均斩获冠军。

面对同样的“考题”，CHiME-6成绩大幅跃升，靠什么？

这得益于多年来在真实场景中的技术积累，中科大与科大讯飞联合团队针对比赛任务进行了一系列技术创新。

在前端信号处理方面，团队提出了基于空间-说话人同步感知的迭代掩码估计算法(Spatial-and-Speaker-Aware Iterative Mask Estimation, SSA-IME)，该算法结合传统信号处理和深度学习的优点，利用空时多维信息进行建模，迭代的从多个说话人场景中精确捕捉目标说话人的信息。该算法不仅有效降低环境干扰噪声，而且可以有效消除干扰说话人的语音，从而大幅降低语音识别的处理难度。

在后端声学模型上，团队提出了基于空间-说话人同步感知的声学模型(Spatial-and-Speaker-Aware Acoustic Model, SSA-AM)，通过在声学模型输入端拼接多维度空间信息和不同说话人信息，使其能自适应区分目标说话人和干扰说话人。因此，声学模型不仅依赖前端算法的处理结果，也能够自适应完成对目标说话人语音特征的提取，大幅提升多人对话场景下语音识别声学模型的容错率和鲁棒性。

回顾2018年组委会发布CHiME-5数据集，官方的基线系统错误率高达73.3%，中科大与科大讯飞联合团队通过不断进行技术创新，逐步刷新最好成绩。这充分说明，在远场、混响、噪音、声音叠加、语言风格随意等诸多不确定性的复杂场景下，中科大与科大讯飞联合团队的技术积累一直处于世界领先水平。